随着人工智能与计算机视觉技术的发展,烟雾视频检测技术因其适用性广、反应迅速、实时性好等优点,已逐渐取代传统烟感探测系统,受到业界的广泛关注。然而由于烟雾的形态、色彩、运动多样化,导致烟雾检测的准确率不高,造成误报漏报的现象,影响烟雾检测系统产业化的过程;另外基于深度学习的烟雾检测算法,虽然准确率有所提高但增加了网络参数,难以实时地在终端侧应用。因此,本文借助轻量化深度学习的方法,研究烟雾视频检测技术,以期解决上述问题。主要工作如下:一、首先围绕烟雾检测问题,对其基本内容、理论研究与系统开发进行综述;接着对深度卷积神经网络,以及深度目标检测网络进行了详细介绍。二、研究基于改进MobileNetV2-SSD的烟雾视频检测算法:首先提出新型重构金字塔结构,以提升小型烟雾目标的检测精度;然后提出基于烟雾先验特征的候选框参量设定方法,以快速准确的定位烟雾目标;接着引入了基于SE-Net模块的特征增强抑制机制,以有效提高特征表达能力;最后通过在现有烟雾数据集中进行训练与测试,验证了三点改进均能提升烟雾检的准确率。三、研究基于改进3D残差稠密网络的烟雾视频检测算法:首先提出基于先验评分算法的疑似烟雾区域定位,以实现烟雾目标的实时定位;然后提出轻量化3D残差稠密网络,以实现烟雾目标的精准检测;接着提出基于烟雾时变特征的动态检测策略,以实现实时性和精准性的最佳折中;最后通过实验对比,本文算法在检测率和准确率等方面都有提升。四、开发并实现了基于深度神经网络的烟雾视频检测系统:首先阐述了系统的需求和架构,然后介绍了系统开发的软件环境与硬件资源,阐明了该系统的具体实现流程;最后展示了对烟雾视频检测的实际运行效果。